TW202401375A - 瑕疵檢測方法、電子設備及電腦可讀存儲媒體 - Google Patents

Abstract

本申請提供一種瑕疵檢測方法、電子設備及電腦可讀存儲媒體。所述方法包括：基於瑕疵檢測模型對無瑕疵樣本訓練圖像進行處理得到第一重構圖像，並使用第一預設的誤差函數計算第一重構誤差，基於無瑕疵樣本訓練圖像、第一重構圖像訓練判別器，並利用第二預設的誤差函數計算得到對抗學習誤差，根據第一重構誤差以及對抗學習誤差計算樣本誤差並確定誤差閥值，獲取測試樣本圖像並計算第二重構誤差，根據第二重構誤差以及誤差閥值確定測試樣本圖像的檢測結果。本申請能夠檢測出圖像中的細微瑕疵，從而提高對產品進行瑕疵檢測的精準度。

Description

瑕疵檢測方法、電子設備及電腦可讀存儲媒體

本申請涉及圖像檢測技術領域、尤其涉及一種瑕疵檢測方法、電子設備及電腦可讀存儲媒體。

在工業檢測領域中，爲了提高工業產品的品質，在對工業產品進行打包前，通常會對工業產品進行一定的瑕疵檢測，由於現有的瑕疵檢測方法使用的自編碼器的網路架構和損失函數設計上的限制，使得輸入圖像透過自編碼器重構後的輸出圖像都較爲模糊，無法跟原圖一樣清晰，甚至在圖像中的物件邊緣上會有較大的誤差，這些誤差的累積，造成細微瑕疵產生的誤差無法很好的突顯出來。此外，由自編碼器重構後的輸出圖像與原圖會在物件邊緣產生較大的誤差，直接對輸入原圖和重構的圖像進行誤差計算，只能檢測出明顯的瑕疵，對較小且細微瑕疵的檢測效果不佳。

鑒於以上內容，有必要提供一種瑕疵檢測方法、裝置及相關設備，能夠檢測出圖像中的細微瑕疵，從而提高瑕疵檢測的準確度。

本申請的第一方面提供一種瑕疵檢測方法，所述方法包括：獲取無瑕疵樣本訓練圖像；將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵；將所述第一潛特徵輸入所述自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像，並使用第一預設的誤差函數計算得到所述無瑕疵樣本訓練圖像和所述第一重構圖像之間的第一重構誤差；將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，並利用第二預設的誤差函數計算所述訓練完成的判別器和所述訓練完成的自編碼器之間的對抗學習誤差；根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差；判斷所述樣本誤差是否滿足第一預設條件；若滿足所述第一預設條件，根據所述樣本誤差確定誤差閥值；獲取測試樣本圖像，將所述測試樣本圖像輸入至所述訓練完成的自編碼器的編碼層，並計算得到所述測試樣本圖像的第二潛特徵，將所述第二潛特徵輸入至所述訓練完成的自編碼器的解碼層，並計算得到所述測試樣本圖像的第二重構圖像，並使用第一預設的誤差函數計算得到所述測試樣本圖像和所述第二重構圖像之間的第二重構誤差；根據所述第二重構誤差以及所述誤差閥值確定測試樣本圖像的檢測結果。

在一種可選的實施方式中，所述將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵包括：將所述無瑕疵樣本訓練圖像進行向量化處理，得到所述無瑕疵樣本訓練圖像的特徵向量；利用所述自編碼器的編碼層對所述無瑕疵樣本訓練圖像的所述特徵向量進行運算，得到所述第一潛特徵。

在一種可選的實施方式中，所述利用所述自編碼器的編碼層對所述無瑕疵樣本訓練圖像的所述特徵向量進行運算，得到所述第一潛特徵包括：提取所述自編碼器的編碼層對應的隱藏層；獲取所述隱藏層的權重矩陣及偏置值；將所述第一特徵向量與所述權重矩陣進行相乘運算，得到運算結果；將所述運算結果與所述偏置值進行相加運算，得到所述第一潛特徵。

在一種可選的實施方式中，所述將所述第一潛特徵輸入所述自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像包括：利用所述自編碼器的解碼層對所述第一潛特徵進行運算；對運算後得到的向量進行還原處理，得到所述第一重構圖像。

在一種可選的實施方式中，所述將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，包括：將所述無瑕疵訓練樣本圖像標註爲真，將所述第一重構圖像標註爲假，訓練所述判別器，讓所述判別器分辨圖像的真假；當所述判別器無法分辨出所述圖像的真假時，確定所述判別器訓練完成，確定所述自編碼器訓練完成。

在一種可選的實施方式中，所述根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差包括：將所述第一重構誤差與所述對抗學習誤差進行加權和運算，得到樣本誤差。

在一種可選的實施方式中，所述根據所述樣本誤差確定誤差閥值包括：將所述樣本誤差按照從小至大的順序進行排序，得到所述樣本誤差的總列表及每個樣本誤差的序號；從所述樣本誤差的總列表中按照第二預設條件選擇一個樣本誤差作爲所述誤差閥值。

在一種可選的實施方式中，所述根據所述第二重構誤差以及所述誤差閥值確定測試樣本圖像的檢測結果包括：當所述第二重構誤差大於或等於所述誤差閥值時，確定所述測試樣本圖像有瑕疵；或者當所述第二重構誤差小於所述誤差閥值時，確定所述測試樣本圖像無瑕疵。

本申請的第二方面提供一種電子設備，所述電子設備包括：

記憶體，存儲至少一個指令；及處理器，執行所述記憶體中存儲的指令以實現所述瑕疵檢測方法。

本申請的第三方面提供一種電腦可讀存儲媒體，所述電腦可讀存儲媒體中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執行時實現所述的瑕疵檢測方法。

本申請藉由訓練自編碼器，使得訓練完成的自編碼器能夠檢測出圖像中的細微瑕疵，從而提高對產品進行瑕疵檢測的精準度。

爲了使本申請的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本申請進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本申請，並不用於限定本申請。基於本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬本申請保護的範圍。

除非另有定義，本文所使用的所有的技術和科學術語與屬本申請的技術領域的技術人員通常理解的含義相同。本文中在本申請的說明書中所使用的術語只是爲了描述具體地實施例的目的，不是旨在於限制本申請。

參見圖1所示，爲申請實施例提供的一種瑕疵檢測方法的流程圖，具體包括如下：

步驟101，獲取無瑕疵樣本訓練圖像。

在本申請的至少一個實施例中，無瑕疵樣本可以選取不同種類的無瑕疵的產品（如電腦機殼、手機殼體等），並獲取無瑕疵產品的圖像作爲所述無瑕疵樣本訓練圖像。例如，可以將外觀沒有撞傷、擦傷、烤漆脫落等現象的電腦機殼的圖像作爲無瑕疵樣本訓練圖像。獲取樣本訓練圖像的多少，本申請不做具體限定。

步驟102，將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵。

需要說明的是，自編碼器是一種利用反向傳播算法使得輸出值等於輸入值的神經網路。通常一個自編碼器包括編碼器（Encoder）和解碼器（Decoder）。其中，編碼器可以將輸入壓縮爲潛在空間表徵，解碼器將潛在空間表徵重構爲輸出。

在本申請的至少一個實施例中，自編碼器（Auto Encoder, AE）中的編碼器包含多個隱藏層，所述編碼層爲對應的至少一個隱藏層，所述多個隱藏層的數量可以根據應用場景任意設置。

在本申請的至少一個實施例中，藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵包括：

將所述無瑕疵樣本訓練圖像進行向量化處理，得到所述無瑕疵樣本訓練圖像的特徵向量；

提取所述編碼層對應的隱藏層；

利用所述隱藏層對所述特徵向量進行運算，得到第一潛特徵。

具體地，所述利用所述隱藏層對所述特徵向量進行運算，得到所述第一潛特徵包括：

獲取所述隱藏層的權重矩陣及偏置值；

將所述特徵向量與所述權重矩陣進行相乘運算，得到運算結果；

將所述運算結果與所述偏置值進行相加運算，得到所述第一潛特徵。

步驟103，將所述第一潛特徵輸入所述自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像，並使用第一預設的誤差函數計算得到所述無瑕疵樣本訓練圖像和所述第一重構圖像之間的第一重構誤差。

在本申請的至少一個實施例中，所述將所述第一潛特徵輸入瑕疵檢測模型中自編碼器的解碼層並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像包括：

利用所述自編碼器中的所述解碼層對所述第一潛特徵進行運算，對運算後得到的向量進行還原處理，得到所述第一重構圖像。

在本申請的至少一個實施例中，所述自編碼器中的所述解碼層作用還可以是把低維度數據映射成高維度數據，增加數據量，使經過壓縮的數據恢復本來的面貌，即將所述第一潛特徵運算得到的向量進行還原處理。

在本申請的至少一個實施例中，使用第一預設的誤差函數計算得到所述無瑕疵樣本訓練圖像和所述第一重構圖像之間的第一重構誤差包括：所述第一預設的誤差函數爲： 。

步驟104，將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，並利用第二預設的誤差函數計算所述訓練完成的判別器和所述訓練完成的自編碼器之間的對抗學習誤差。

在本申請的至少一個實施例中，將所述無瑕疵樣本訓練圖像、第一重構圖像輸入所述第一瑕疵檢測模型的判別器中，訓練所述判別器包括：

將所述無瑕疵訓練樣本圖像標註爲真、所述第一重構圖像標註爲假，訓練所述判別器，讓所述判別器分辨圖像的真假；

當將無瑕疵訓練樣本圖像輸入所述自編碼器時，所述自編碼器藉由學習無瑕疵訓練樣本圖像的特徵，生成對應的第一重構圖像。而判別器則負責區分輸入的數據爲無瑕疵訓練樣本圖像還是第一重構圖像，並反饋給自編碼器。兩個網路交替訓練，能力同步提高，直到所述自編碼器生成的第一重構圖像能夠以假亂真，並與判別器的能力達到一定均衡。

當所述判別器無法分辨出所述圖像的真假時，即自編碼器與判別器的能力達到一定的均衡時，確定所述判別器訓練完成，確定所述自編碼器訓練完成，利用第二預設誤差函數計算對抗學習誤差。第二預設誤差函數爲：

。

步驟105，根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差並判斷所述樣本誤差是否滿足第一預設條件。

在本申請的至少一個實施例中，根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差包括：

對對抗學習誤差及第一重構誤差進行加權和運算，得到所述樣本誤差。

例如：對抗學習誤差爲0.5，第一重構誤差爲0.04，計算0.5及0.04的加權和，當對抗學習誤差佔樣本誤差的比例10%，第一重構誤差佔樣本誤差的比例爲90%，計算得到所述樣本誤差爲：0.5*10%+0.04*90%=0.086。

在本申請的至少一個實施例中，當確定所述判別器訓練完成時，確定所述自編碼器訓練完成，即判定所述樣本誤差滿足第一預設條件，收集所有樣本誤差。若所述樣本誤差不滿足第一預設條件，繼續訓練所述判別器。

步驟106，根據所述樣本誤差確定誤差閥值。

在本申請的至少一個實施例中，所述根據所述樣本誤差確定誤差閥值包括：

收集所有所述樣本誤差，將所述樣本誤差按照從小至大的順序進行排序，得到所述樣本誤差的總列表及每個樣本誤差的序號；

從所述樣本誤差的總列表中按照第二預設條件選擇一個樣本誤差作爲所述誤差閥值。

具體的，所述從所述樣本誤差的總列表中按照第二預設條件選擇一個樣本誤差作爲所述誤差閥值包括：

計算所述樣本誤差的數量，並將所述數量乘以配置值，得到目標數值；

從所述總列表中選取樣本序號等於所述目標數值的樣本誤差，作爲所述誤差閥值。

步驟107，獲取測試樣本圖像，將所述測試樣本圖像輸入至所述訓練完成的自編碼器的編碼層，並計算得到所述測試樣本圖像的第二潛特徵，將所述第二潛特徵輸入至所述訓練完成的自編碼器的解碼層，並計算得到所述測試樣本圖像的第二重構圖像，並使用第一預設的誤差函數計算得到所述測試樣本圖像和所述第二重構圖像之間的第二重構誤差。

步驟108，根據所述第二重構誤差以及所述誤差閥值確定測試樣本圖像的檢測結果。

在本申請的至少一個實施例中，所述檢測結果包括所述測試樣本圖像有瑕疵及所述測試樣本圖像無瑕疵。

在本申請的至少一個實施例中，所述根據所述第二重構誤差及所述誤差閥值確定所述待檢測圖像的檢測結果包括：

當所述第二重構誤差大於或等於所述誤差閥值時，確定所述測試樣本圖像有瑕疵；或者

當所述第二重構誤差小於所述誤差閥值時，確定所述測試樣本圖像無瑕疵。

藉由所述第二重構與所述誤差閥值進行比較，由於是從數值上對所述第二重構誤差與所述誤差閥值進行比較，因此，能夠檢測出所述測試樣本圖像中的細微瑕疵，從而提高瑕疵檢測的精準度。

如圖2所示，爲本申請實施例提供的一種電子設備結構示意圖。具體包括如下：

在本申請的一個實施例中，所述電子設備2包括，但不限於記憶體201、處理器202，以及存儲在所述記憶體201中並可在所述處理器202上運行的電腦程式。

本領域技術人員可以理解，所述示意圖僅僅是電子設備2的示例，並不構成對電子設備2的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述電子設備2還可以包括輸入輸出設備、網路接入設備、總線等。

所述處理器202可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用集成電路(Application Specific Integrated Circuit，ASIC)、現場可編程門陣列(Field-Programmable Gate Array，FPGA)或者其他可編程邏輯器件、分立元器件門電路、電晶體組件、分立硬體組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等，所述處理器202是所述電子設備2的運算核心和控制中心，利用各種介面和線路連接整個電子設備2的各個部分，及獲取所述電子設備2的操作系統以及安裝的各類應用程式、程式代碼等。

所述記憶體201可用於存儲所述電腦程式和/或模塊，所述處理器202藉由運行或獲取存儲在所述記憶體201內的電腦程式和/或模塊，以及調用存儲在記憶體201內的數據，實現所述電子設備2的各種功能。所述記憶體201可主要包括存儲程式區和存儲數據區，其中，存儲程式區可存儲操作系統、至少一個功能所需的應用程式（比如聲音播放功能、圖像播放功能等）等；存儲數據區可存儲根據電子設備的使用所創建的數據等。此外，記憶體201可以包括非易失性記憶體，例如硬碟、內存(memory)、插接式硬碟，智能存儲卡（Smart Media Card, SMC），安全數位（Secure Digital, SD）卡，記憶卡（Flash Card）、至少一個磁盤記憶體件、閃存器件、或其他非易失性固態記憶體件。

所述記憶體201可以是電子設備2的外部記憶體和/或內部記憶體。進一步地，所述記憶體201可以是具有實物形式的記憶體，如內存條、TF卡（Trans- flash Card）等等。

所述電子設備2集成的模塊/單元如果以軟件功能單元的形式實現並作爲獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲媒體中。基於這樣的理解，本申請實現上述實施例方法中的全部或部分流程，也可以藉由電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲媒體中，該電腦程式在被處理器獲取時，可實現上述各個方法實施例的步驟。

其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以爲源代碼形式、對象代碼形式、可獲取文件或某些中間形式等。所述計算機可讀媒體可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄媒體、隨身碟、移動硬碟、磁碟、光盤、計算機記憶體、唯讀記憶體（Read-Only Memory，ROM）。

結合圖1，所述電子設備2中的所述記憶體201存儲多個指令以實現一種瑕疵檢測方法，所述處理器202可獲取所述多個指令從而實現：

獲取無瑕疵樣本訓練圖像；

將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵；

將所述第一潛特徵輸入自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像，並使用第一預設的誤差函數計算得到所述無瑕疵樣本訓練圖像和所述第一重構圖像之間的第一重構誤差；

將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，並利用第二預設的誤差函數計算所述訓練完成判別器和所述訓練完成的自編碼器之間的對抗學習誤差；

根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差；

判斷所述樣本誤差是否滿足第一預設條件；

若滿足所述第一預設條件，根據所述樣本誤差確定誤差閥值；

獲取測試樣本圖像，將所述測試樣本圖像輸入至所述訓練完成的自編碼器的編碼層，並計算得到所述測試樣本圖像的第二潛特徵，將所述第二潛特徵輸入至所述訓練完成的自編碼器的解碼層，並計算得到所述測試樣本圖像的第二重構圖像，並使用第一預設的誤差函數計算得到所述測試樣本圖像和所述第二重構圖像之間的第二重構誤差。

具體地，所述處理器202對上述指令的具體實現方法可參考圖1對應實施例中相關步驟的描述，在此不贅述。

在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以藉由其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅僅爲一種邏輯功能劃分，實際實現時可以有另外的劃分方式。

所述作爲分離部件說明的模塊可以是或者也可以不是物理上分開的，作爲模塊顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。

另外，在本申請各個實施例中的各功能模塊可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟件功能模塊的形式實現。

因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本申請的範圍由所附請求項而不是上述說明限定，因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本申請內。不應將請求項中的任何附關聯圖標記視爲限制所涉及的請求項。

此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。本申請中第一、第二等詞語用來表示名稱，而並不表示任何特定的順序。

最後應說明的是，以上實施例僅用以說明本申請的技術方案而非限制，儘管參照較佳實施例對本申請進行了詳細說明，本領域的普通技術人員應當理解，可以對本申請的技術方案進行修改或等同替換，而不脫離本申請技術方案的精神和範圍。

2:電子設備 201:記憶體 202:處理器 101-108:步驟

圖1爲本申請實施例提供的一種瑕疵檢測方法的流程圖。

圖2爲本申請實施例提供的一種電子設備結構示意圖。

101-108:步驟

Claims (10)

1. 一種瑕疵檢測方法，其中，所述瑕疵檢測方法包括： 獲取無瑕疵樣本訓練圖像； 將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵； 將所述第一潛特徵輸入所述自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像，並使用第一預設的誤差函數計算得到所述無瑕疵樣本訓練圖像和所述第一重構圖像之間的第一重構誤差； 將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，並利用第二預設的誤差函數計算所述訓練完成的判別器和所述訓練完成的自編碼器之間的對抗學習誤差； 根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差； 判斷所述樣本誤差是否滿足第一預設條件； 若滿足所述第一預設條件，根據所述樣本誤差確定誤差閥值； 獲取測試樣本圖像，將所述測試樣本圖像輸入至所述訓練完成的自編碼器的編碼層，並計算得到所述測試樣本圖像的第二潛特徵，將所述第二潛特徵輸入至所述訓練完成的自編碼器的解碼層，並計算得到所述測試樣本圖像的第二重構圖像，並使用第一預設的誤差函數計算得到所述測試樣本圖像和所述第二重構圖像之間的第二重構誤差； 根據所述第二重構誤差以及所述誤差閥值確定測試樣本圖像的檢測結果。
2. 根據請求項1所述的瑕疵檢測方法，其中，所述將所述無瑕疵樣本訓練圖像輸入瑕疵檢測模型的自編碼器，並藉由所述自編碼器的編碼層計算得到所述無瑕疵樣本訓練圖像的第一潛特徵包括： 將所述無瑕疵樣本訓練圖像進行向量化處理，得到所述無瑕疵樣本訓練圖像的特徵向量； 利用所述自編碼器的編碼層對所述無瑕疵樣本訓練圖像的所述特徵向量進行運算，得到所述第一潛特徵。
3. 根據請求項2所述的瑕疵檢測方法，其中，所述利用所述自編碼器的編碼層對所述無瑕疵樣本訓練圖像的所述特徵向量進行運算，得到所述第一潛特徵包括： 提取所述自編碼器的編碼層對應的隱藏層； 獲取所述隱藏層的權重矩陣及偏置值； 將所述特徵向量與所述權重矩陣進行相乘運算，得到運算結果； 將所述運算結果與所述偏置值進行相加運算，得到所述第一潛特徵。
4. 根據請求項1所述的瑕疵檢測方法，其中，所述將所述第一潛特徵輸入所述自編碼器的解碼層，並計算得到所述無瑕疵樣本訓練圖像的第一重構圖像包括： 利用所述自編碼器的解碼層對所述第一潛特徵進行運算； 對運算後得到的向量進行還原處理，得到所述第一重構圖像。
5. 根據請求項1所述的瑕疵檢測方法，其中，所述將所述無瑕疵樣本訓練圖像及所述第一重構圖像輸入所述瑕疵檢測模型的判別器中，訓練所述判別器，在所述判別器訓練完成時確定所述自編碼器訓練完成，包括： 將所述無瑕疵訓練樣本圖像標註爲真，將所述第一重構圖像標註爲假，訓練所述判別器，讓所述判別器分辨圖像的真假； 當所述判別器無法分辨出所述圖像的真假時，確定所述判別器訓練完成，確定所述自編碼器訓練完成。
6. 根據請求項1所述的瑕疵檢測方法，其中，所述根據所述第一重構誤差以及所述對抗學習誤差計算樣本誤差包括： 將所述第一重構誤差與所述對抗學習誤差進行加權和運算，得到樣本誤差。
7. 根據請求項1所述的瑕疵檢測方法，其中，所述根據所述樣本誤差確定誤差閥值包括： 將所述樣本誤差按照從小至大的順序進行排序，得到所述樣本誤差的總列表及每個樣本誤差的序號； 從所述樣本誤差的總列表中按照第二預設條件選擇一個樣本誤差作爲所述誤差閥值。
8. 根據請求項1所述的瑕疵檢測方法，其中，所述根據所述第二重構誤差以及所述誤差閥值確定測試樣本圖像的檢測結果包括： 當所述第二重構誤差大於或等於所述誤差閥值時，確定所述測試樣本圖像有瑕疵；或者 當所述第二重構誤差小於所述誤差閥值時，確定所述測試樣本圖像無瑕疵。
9. 一種電子設備，其中，所述電子設備包括： 記憶體，存儲至少一個指令；及 處理器，執行所述記憶體中存儲的指令以實現如請求項1至8中任意一項所述的瑕疵檢測方法。
10. 一種電腦可讀存儲媒體，其中：所述電腦可讀存儲媒體中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執行以實現如請求項1至8中任意一項所述的瑕疵檢測方法。

Images